（计算机应用技术专业论文）基于放射性投影直方图及角点探测的车辆识别与测距研究.pdf

基于放射性投影直方图及角点探测的车辆检测与测距研究 摘要 在高速公路日益快速发展的时代 高速公路上发生的恶性交通事故成为一 个严重的社会问题 不仅给家庭带来不可挽回的经济损失而且还危及人民的生 命安全 因此 车辆的检测与测距研究成为一个迫切的要求 本文针对a o i 提 取算法和车辆识别与测距算法进行了一系列研究 并取得以下成果 1 对结构化公路a o i 提取算法和车辆的识别 测距算法进行了分类与分 析 2 针对现有的基于模型的结构化公路a o i 提取算法时间复杂度高 且不能 适应于弯道的问题 构建一种既能适用于直道 又能适用于有一定曲率的弯道 且有较强抗噪能力的基于放射性投影直方图的a o i 区域提取算法 对车辆的行 驶方向要求较弱 不仅可抗车辆遮挡 较强日光照射下形成的阴影干扰 而且 还可以抗车道线严重污损 长距离断线 减速带形成的强干扰 对强 暗光线 有一定的适应能力 具有较强的抗干扰能力 3 针对车辆的传统特征提取困难 定位不太准确的问题 在研究应用具有 较强鲁棒性的基于放射性投影直方图的a o i 提取算法建立a o i 区域的基础上 进一步研究了基于角点探测的车辆检测与测距算法 实现了特征提取的易实现 性 检测与测距的同步性 实验表明 本算法在鲁棒性 可实施性方面有较大 提高 总之 本文对高速公路a o i 的提取和车辆的检测与测距进行了较深入的研 究 提出了一种适应面更广 鲁棒性更强的a o i 提取算法 提出了一种基于角 点特征的车辆检测与测距算法 对上述算法在车辆检测与测距方面的有效性 鲁棒性进行了实验验证 关键词 a o i角点检测测距 r e s e a r c ho nv e h i c l er e c o g n i t i o na n dd i s t a n c e m e a s u r eb a s e do ns p a np r o je c t i o nh i s t o g r a ma n d c o r n e rp o i n td e t e c t i o n a b s t r a c t m a l i g n a n tt r a n s p o r te v e n ti nh i g h w a yi sas e r i o u ss o c i a lq u e s t i o ni nt h ee r aw h e n h i g h w a yi n c r e a s e sr a p i d l y w h i c hn o to n l yl e a d st of a m i l y se c o n o m i cl o s s b u ta l s o m e n a c e sp e o p l e l i v e s s ot h ed e m a n do fs t u d y i n gv e h i c l e s d e t e c t i o na n dd i s t a n c ei su r g e n t i nt h ep a p e rw eh a v es t u d i e da o ia b s t r a c ta l g o r i t h ma n dv e h i c l ea n dd i s t a n c em e a s u r e a l g o r i t h m a tl a s tw e h a v eg o r e nt h er e s u l t sa sf o l l o w s 1 c l a s s i f i c a t i o na n da n a l y s i so fa o ia b s t r a c ta l g o r i t h ma n dv e h i c l er e c o g n i t i o na n d d i s t a n c em e a s u r ea l g o r i t h m 2 c o n s t r u c t i o no fs t r u c t u r a lr o a da o ia b s t r a c ta l g o r i t h mb a s e do nf a np r o j e c t i o n h i s t o g r a ms u i t a b l ef o rb o t hs t r a i g h ta n dc u r v el a n ew i t hac e r t a i nc u r v a t u r e r e s i s t a n tt o s t r o n g e rd i s t u r b a n c ea g a i n s ta o ia b s t r a c ta l g o r i t h mb a s e do nm o d e l i t hh i g ht i m e c o m p l e x i t ya n dl o ws u i t a b i l i t yf o rc u r v el a n e o u rm e t h o dc a nb eu s e dt od e t e c ts t r a i g h tl a n ea n dc u r v el a n ew i t hac e r t a i nc u r v a t u r e w h i c hn e e d n ts t r i c td r i v i n gd i r e c t i o na n dc a na d a p tb o t ht os h a d ed i s t u r b a n c ec a u s e db y v e h i c l es h e l t e r m o r ei n t e n s es u n l i g h t a n dm o r es e r i o u sd i s t u r b a n c ec a u s e db ys e r i o u sl a n e l o s s l o n gd i s t a n c ed a s h e dl a n ea n dd e c e l e r a t i o nb e l t i th a sa d a p t i v ea b i l i t yt oi n t e n s ea n d w e a kl i g h tt os o m ee x t e n ta n ds t r o n g e ra b i l i t yr e s i s t a n tt od i s t u r b a n c e 3 t os o l v et h eq u e s t i o nh a r dt oa b s t r a c tf e a t u r ea n dt ol o c a t eg o a l o nt h eb a s i so f r o b u s ta o ia b s t r a c t i o na l g o r i t h mb a s e do nf a np r o je c t i o nh i s t o g r a m w ef u r t h e rs t u d y v e h i c l ed e t e c t i o na n dd i s t a n c em e a s u r ea l g o r i t h mb a s e do nc o m e rd e t e c t i o n w h i c hc a n a b s t r a c tf e a t u r em o r ee a s i l ya n di m p l e m e n ts i m u l t a n e i t yo fd e t e c t i o na n dd i s t a n c em e a s u r e e x p e r i m e n t a lr e s u l td e m o n s t r a t e so u rm e t h o dh a sal a r g e rp r o m o t i o no ff e a s i b i l i t ya n d r o b u s t n e s si nv e h i c l ed e t e c t i o na n dd i s t a n c em e a s u r e t o t a l l y i ti s s t u d i e dd e e p l ya o ia b s t r a c t i o na n dv e h i c l ed e t e c t i o na n dd i s t a n c e m e a s u r eo nh i g h w a y b o t hak i n do fa o ia b s t r a c t i o na l g o r i t h mw i t hm o r ep o w e r f u l a d a p t a b i l i t ya n ds t r o n g e rr o b u s t n e s sa n dak i n do fv e h i c l ed e t e c t i o na n dd i s t a n c em e a s u r e a l g o r i t h mb a s e do nc o m e rf e a t u r ea r ep r e s e n t e d e x p e r i m e n td e m o n s t r a t e se f f i c i e n c ya n d r o b u s t n e s so fo u ra l g o r i t h mi nv e h i c l ed e t e c t i o na n dd i s t a n c em e a s u r e k e y w o r d s a o i c o m e rp o i n t d e t e c t i o n d i s t a n c em e a s u r e 插图清单 图2 1r g b 图像 6 图2 2灰度图像 6 图2 3以直方图谷底处灰度值为阈值 6 图2 4原始图像 8 图2 5迭代阈值二值化图像 8 图2 6原始图像 9 图2 7o t s u 方法二值化图像 9 图2 8 图像目标和背景的概率分布图 9 图2 9输入输出信号的转换 1 1 图2 1 0 空频变换过程 1 l 图2 1 1小孔成像示意图 1 8 图2 1 2像平面成像示意图 1 8 图2 1 3单目视觉测距模型 1 8 图2 1 4 双目视觉测距原理图 2 0 图3 1选用的形态学上的两种结构元 2 1 图3 2候选车道线提取方法 2 2 图3 3角度量化图 2 2 图3 4基于道路中心点的分道线检测算法流程 2 3 图3 5双曲线检测法算法流程图 2 6 图3 6基于k a l m a n 滤波器的a o i 检测算法流程图 2 8 图4 1x y 坐标系下直线 3 2 图4 2a b 参数坐标系下相交直线 3 2 图4 3 极坐标中的h o u g h 变换示意图 3 3 图4 4灰度变换图 3 4 图4 5直方图 3 4 图4 6二值图像阈值 2 4 5 3 4 图4 7消隐线上方置黑 3 4 图4 8放射投影 3 5 图4 9 放射投影直方图 3 5 图4 1 0 以 1 0 3 3 3 4 为中心 4 1 8 0 邻域内各点 4 6 式测度值 3 7 图4 11 基于放射投影直方图的a o i 提取算法流程图 4 0 图4 12s o b e l 水平探测模板 4 1 图4 13a o i 内基于角点探测的车辆检测和测距原理图 4 7 图4 14 基于投票机制的车辆检测与测距流程图 4 7 图5 1原始r g b 图像 4 9 图5 2灰度图像 4 9 图5 3灰度直方图 4 9 图5 4二值图像 4 9 图5 5消隐线上方置黑 4 9 图5 6开运算抹去噪声图 5 0 图5 7细化后 5 0 图5 8 图5 9 图5 10 图5 11 图5 1 2 图5 13 图5 1 4 图5 15 图5 16 图5 17 图5 18 图5 19 图5 2 0 图5 2 1 图5 2 2 图5 2 3 对最大连通区域直线拟合 5 0 直线拟合标记在r g b 图上 5 0 自点n 1 0 3 3 3 4 向上1 0 点测度值 5 0 图5 4 的放射投影直方图 5 0 初始峰值区 5 0 拓展峰值区后 5 1 弯道提取 5 1 多车干扰下直道提取 5 l 本算法在强日光照射下a o i 提取图 5 1 本算法在低照度下的a o i 提取 5 1 本算法对存在减速带干扰的车道线划分出的峰值区 5 2 本算法对带减速带干扰的车道线的提取结果 5 2 裁剪车道线外场景后图像 5 2 提取下边缘 5 2 视觉测距左图 5 3 视觉测距右图 5 3 表格清单 表1 1 不同年份全国道路交通事故统计 l 表4 1 放射投影峰值 放射投影峰值角 放射投影峰值区 3 6 表5 1 初始 拓展放射投影峰值区对比 5 1 表5 2 本方法与其他算法的比较 5 2 表5 3左 右图角点坐标数据 5 3 表5 4左 右图角点配准矩阵 5 3 表5 5 对车辆进行h a r r i s 角点探测统计表 5 3 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果 据我所 知 除了文中特别加以标志和致谢的地方外 论文中不包含其他人已经发表或撰写过的研究成果 也不包含为获得金目墨王些态堂或其他教育机构的学位或证书而使用过的材料 与我一同工作 的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意 学位论文作者签字 法 罕签字日期 勾 年乒月z 5 日 学位论文版权使用授权书 本学位论文作者完全了解金月巴王些态堂有关保留 使用学位论文的规定 有权保留并向 国家有关部门或机构送交论文的复印件和磁盘 允许论文被查阅或借阅 本人授权金g 曼工些太 生l 可以将学位论文的全部或部分论文内容编入有关数据库进行检索 可以采用影印 缩印或扫 描等复制手段保存 汇编学位论文 保密的学位论文在解密后适用本授权书 学位论文者签名 法军 导师签名 奄诋 签字日期 z d f p 年妒月历日 签字日期 萨咖年嘲 日 学位论文作者毕业后去向 工作单位 通讯地址 电话 邮编 致谢 本论文是本人在导师李钢研究员与张仁斌副教授的精心指导下 在积极参 与安徽省二oo 八年科技攻关计划面上项目 嵌入式集成视觉辅助行车安全系 统 项目编号 0 8 0 1 0 2 0 4 2 5 3 安徽省二oo 八年度科技计划项目 基于视频 的多源图像拼接融合技术研究 项目编号 0 8 0 2 0 2 0 3 0l3 中完成的 论文中 的每一点成果以及工作中的每一丝进展都是和老师们的悉心指导分不开的 在 老师们的悉心指导下 我不仅完成了本论文 而且学会了资料的搜集 整理以 及研究问题的方法 学会了有序制定工作计划的方法 锻炼了坚忍不拔的学习 工作精神 李老师渊博的知识和严谨的治学态度 总是能在我最困难的时候给 予我莫大的帮助 张老师惜时如金的工作态度和不畏艰难的钻研精神更是使我 深受鼓舞 在此我首先向李老师和张老师两位老师表示深深的谢意 同时我要感谢我的同门圣华 王雷 王鹿等人 与他们的讨论和交流使我 受益良多 思维的火花得到相互碰撞 极大地开拓了视野 他们无私的帮助我 解决了不少困难 促进了我的学术水平的提高 使我感受到团队力量的强大 感谢我的同班同学 朋友和家人 他们在生活上给了我太多的照顾和帮助 感谢在校期间曾经关心和帮助过我的学校研究生院和计算机与信息学院的领导 和老师们 无论我遇到多大的困难与挫折 他们总是给予我鼓励与支持 期望 我的进步能给他们带来喜悦 成为他们的骄傲 感谢所有参考文献的作者们 他们的辛勤工作和成果对本文工作带来了极 大的帮助和启发 最后感谢所有对本论文工作给予支持 帮助和关心的老师 同学和朋友们 凌军 2 0 10 年4 月15 日 第一章绪论 1 1 车辆检测与测距研究背景及意义 汽车作为人类文明的产物 人们代步的工具 极大地方便了人们的出行 扩大了人们的活动范围 日益成为人们生活中不可或缺的一部分 随着汽车保 有量的持续增加 汽车驾驶安全问题正变得日益突出 全世界6 0 亿人中每年死 亡约5 2 0 0 万人 直接由交通事故造起的死亡人数就达5 0 万人 占总死亡人数的 1 位列死亡原因的第1 0 位 据美国高速公路交通安全管理局统计数据记载 2 0 0 4 年全美交通撞车事故 约6 0 0 多万起 其中4 2 万多人丧命 约2 7 0 万人受伤 l 德国i n v e n t f a s 智 能交通和用户友好技术 驾驶辅助主动安全技术 协会近期对道路交通事故 成因进行了研究 研究表明 约2 8 的事故由并线或变道造成 约2 4 的事故 由追尾造成 约15 的事故偏离公路造成 历年资料表明 作为世界第三大汽 车生产国 第二大汽车消费国的我国 尽管汽车的保有量不是世界第一 但我 国道路交通事故死亡率 交通事故死亡率指交通事故死亡人数与交通事故伤亡 总人数之比 高 交通事故最近十几年来却始终位列世界第一 2 0 0 6 年 中国 的交通事故致死率达到1 7 2 万车死亡率高达6 2 人 远高于世界其他国家 表1 1 不同年份全国道路交通事故统计 交通事故是在特定的交通环境下 由于人 车 路 环境等要素相互配合 失调发生的偶然性事件 道路交通安全取决于处于同一交通环境中的人 车 路 环境之间是否能保持协调 2 j l9 9 4 年在巴黎召开的首届i t s i n t e l l i g e n tt r a n s p o r ts y s t e m 会议提出交通技 术信息化技术 期望能解决交通安全问题 智能交通系统的新概念从此正式诞 生 我国紧跟世界交通安全趋势 于2 0 0 0 年建立了i t s 框架草案 对智能交通系 统作出如下定义 将先进的信息 通讯技术融合为一体 构建人 车 环境协 调一致的驾驶环境 提高道路交通的安全性 行车的舒适性和运输的效率 同 时有利于环保的道路交通系统 在影响车辆驾驶安全的三大主要因素人 车 环境中 驾驶员占据更为重要的位置 驾驶员开车的过程实质上是一个互动过 程 这一过程包含人 车 环境间的信息交流 而驾乘对象一一车辆 应具有 符合驾驶员心理特点和生理状态的驾驶环境 并能提供辅助安全驾驶功能 即 车辆应具有主动安全驾驶技术 汽车主动安全驾驶技术应能够综合智能驾驶 辅助驾驶和安全驾驶 3 j 引 汽车的主动安全驾驶技术主要涵盖以下技术 提供合理的建议或发出告警 部分控制车辆 采用持续辅助驾驶或对紧急事件进行干预的方式 完全控制车 辆 即自动驾驶 而运用汽车的辅助安全驾驶系统为驾驶员提供车辆的检测与 距离信息是实现告警信息的前提 5 1 随着我国国民经济的快速发展 快捷和便利的高速公路交通已大大改善了 寻常百姓的出行 改变了人们的时空观 高速公路因其车速 快 车辆 稳 成为人们出行时的一种新选择 由于高速公路车速高 流量大 在高速行驶状 态下 特别是长时间高速行驶时 汽车的某些技术参数如制动性能会发生一些 变化 驾驶员由于长时间的驾驶容易出现违章超速 疲劳驾驶等不良驾驶行为 驾驶员可能对车间纵向距离估计出现偏差 此时前车的突然减速可能会导致追 尾事故发生 甚至造成连环追尾这类恶性交通事故发生 由于汽车的行驶速度 很高 造成的后果将比在普通公路上严重得多 在众多的交通事故类型中 追 尾碰撞事故占据了较大的比例 损失也最为惨重 6 基于上述状况 加强对前 车的检测与测距研究变得尤为必要 本论文源于安徽省二oo 八年科技攻关计划面上项目 嵌入式集成视觉辅 助行车安全系统 项目编号 0 8 0 1 0 2 0 4 2 5 3 和安徽省二oo 八年度科技计划 项目 基于视频的多源图像拼接融合技术研究 项目编号 0 8 0 2 0 2 0 3 0 13 就如何快速 准确地对前车进行检测与测距 向驾驶员提供准确的距离信息 以及有效减少这类重大恶性事故的发生进行研究 以保证人民生命财产的安全 1 2 国内外研究现状 1 2 1 车辆检测方法现状 车辆的检测技术作为对待处理对象识别的关键技术 对于获取其他方面的 信息 如车距信息 提供了目标信息 所以检测的正确性尤为重要 有的试验系统采用建立车辆i d 的方法 为每一车辆建立起一个车辆身份 2 证 即在车辆内安装一片电子芯片 该芯片记录该车的车主姓名 所在地 车 牌号 车辆的制造厂家 车型等信息 只要该车处于接收传感器 可能是固定 的 也可能是位于其他车上移动的 的探测范围就可以检测到该车 将该车信 息与由中央数据库的数据进行比对 就可以确定该车更为详细的信息 有的方案采用车辆的某一特征如形状 边界 灰度 对称性等特征作为对 车辆检测的依据 有的方案采用车辆在运动时会产生光流场的特点 以光流场 的存在与否作为检测车辆的依据 c o l l a d oj 等人建立了车辆的二维几何模型 利用对称性 形状和阴影信息 提出了一个能量函数 并借助于优化算法 利用该能量函数进行匹配 a b e n s r h a i r 研究小组在a r g o 试验车上首先借助对称性特征建立起a o i 再 利用矩形二维模型进行匹配 使用透视和尺寸这些约束条件 搜索出a o i 中矩 形的四个角后进行匹配 德国慕尼黑大学的v a m o r s 试验车中 运用了三维车 辆模型 7 进行匹配 以检测车辆 1 2 2 车辆测距方法现状 常用测距方法有超声波测距 雷达测距 激光测距 红外线测距 视觉测 距这几种方法 利用超声波发射至遇到障碍物后返回的时差来计算距离 常用于测量较近 目标的距离 能适应多种恶劣环境 8 但是由于超声波传输速度较慢 所以该 测距方法实时性差 超声波具有探测角太大 方向性较差 分辨率低的特点 所以该方法误差较大 不适于远距离测量 近年来 美国 日本 欧洲尝试将2 4 g h z 6 0 g h z 7 6 1 5 g h 雷达系统应用 于车辆测距 集装箱货车和长途客运大巴主要采用2 4 g h z 雷达系统 小轿车上 日本主要采用6 0 g h z 雷达 欧 美7 6 1 5 g h z 雷达 这种测距雷达系统体积小 可靠性高 虚警率低 适于恶劣条件下使用 但分辨率低p j 美国卡耐基梅隆大学的n a v l a b 智能车使用激光雷达进行测距 日本马自达 和丰田公司汽车上也安装有车载激光测距装置 该测距方法具有测量时间短 量程大 精度高的优点 但易受雾 尘干扰 速度偏慢1 1 红外测距是用目标发出的或反射回来的红外线进行观察 测距的 适合于 黑夜或能见度差的环境 1 1 1 但分辨率低 作用距离短 机器视觉测距模仿人的双目视觉原理 有单目和多目之分 该方法探测范 围宽 判断距离准确 目标信息完整 该方法不仅可以给距离信息 而且还可 以给出目视图 便于驾驶员完整掌握车前信息 所以 越来越多的车载系统采 用了此方法 1 3 本文研究内容及结构 上述算法存在如下局限性 1 局限于静态环境检测 如基于光流的检测方法 无法满足运动车辆的 动态检测的要求 当车辆环境不断变化时 特征有时难以提取 车辆的多样性 加之本车和前车位姿的多样性 有时难以抽取出指定模式 2 基于机器视觉的测距方法中 单目视觉存在测距点难以准确定位的弱 点 双目视觉存在运用传统的基于互信息配准时耗时过长的弱点 3 现有的算法通常都是先试图准确地检测出目标 然后再对目标进行测 距 所以寻找到一种检测与测距同步进行且具有较强鲁棒性的车辆检测与测距 算法对现有检测与测距算法进行改进 将具有一定的现实意义 针对上述局限性 本文展开相关研究 内容包括 构建一种既能适用于直道 又能适用于有一定曲率的弯道 且有较强 抗噪能力的建立a o i 区域的快速 鲁棒算法 利用a o i 区域 采用基于角点探测的算法对车辆进行检测 运用检测到的角点进行车辆测距 本文余下章节安排如下 第二章研究图像处理方法 包括r g b 至灰度图像的变换 图像灰度变换 二值化和阈值处理 图像平滑 图像的形态处理学 图像分割 研究车辆检测 基本方法和车辆测距算法 第三章研究a o i 区域的构建方法 对一些常用的构建方法进行分析 第四章在研究h o u g h 变换的基础上 提出基于放射性投影直方图和角点探 测的车辆检测与测距算法 第五章对基于放射性投影直方图的a o i s n 角点探测的车辆检测与测距算法 进行实验验证与分析 第六章总结全文 并提出进一步需要研究和解决的问题 4 第二章图像处理与车辆检测 测距 对车辆进行检测与测距的研究日益成为交通安全与汽车电子领域的一个研 究热点 由于激光测距仪易受环境干扰 如雾天 雷达测距仪无法获得准确的 路面全景 而计算机视觉可以提供路面全景的同时 又具有一定抗干扰能力 所以其应用前景颇为广阔 而计算机视觉的研究目标是根据感测到的图像对实 际物体和场景做出有意义的判定 l2 因此 本章将对车辆检测与测距技术研究 中所需的图像处理方法和基于视觉的车辆检测及测距方法进行研究 2 1 图像处理基本方法 数字图像处理主要有两个目的 一是对图像进行加工和处理 以获得满足 人的视觉和心理需要的图像 如图像增强和图像复原 二是对图像中的目标物 进行分析和理解 1 3 1 包括以下领域 1 把图像分割成不同目标物和背景的不同区域 2 提取正确代表不同目标物的特征参数 并进行描述 3 对图像中的目标物进行识别和分类 4 理解不同目标物 分析其相互关系 从而指导和规划进一步行动 即计 算机视觉 为了便于对图像中目标物进行分析 理解 通常采用增强感兴趣的特征 而去除不感兴趣的特征的方法 以利于特征的抽取 2 1 1 r g b 至灰度图像的变换 把r g b 图像变换为灰度图像可以去除不必要的r g b 三个通道的信息 14 1 简 化为灰度 以利于提取感兴趣的特征 通常采用下面的公式进行转化 g r a y v a l u e 0 2 9 8 9 r 0 5 8 7 0 g 0 114 0 b 2 1 赣镳 竭誊 1 利2 1r g b l 划像 2 i2 图像狄度变换 幽2 2 灰度豳像 图像扶度变换是图像增强处理中一种常用的空问域图像处理方法 灰度变 换是根据菜利r 目标条件按一定变换关系逐点改变原罔像中每一像素扶度值的方 法 若原罔像像素的灰度值d f x 力 处理后图像像素次度值为d 占 力 则灰度增强可表示为g x t f x y 其 g d d 都在图像的灰度范围内 把 函数t d 称为扶度变换函数 按对应法则t 将灰度变换分为线性变换和非线 性变换 2 13 二值化和闽值处理 如何从一幅包含目标物体 背景 噪声的数字图像中提取出所关心的目标 常用方法是设定一阀值t 把图像中像素分为两个集合 大于t 的像素集合和小 于t 的像素集合 这一过程称为圈像的二值化 h i n a r i z a t i o n 运用二值化使一幅 狄度图变为黑白二值图 将所需目标从复杂图像背景l l 剥离出来 以便于研究 二值化可视为灰度变换的一种特殊形式 其变换函数 1 通常可记为 贴川 僦澄 协 阿2 3以直疗阿各麻处灰度值为两值 其中阈值t 的选择方式会显著地影响分割效果 通常的做法是分析灰度直 方图确定该值 最常用的方法是对于存在双峰或多峰的灰度直方图 选择波峰 与波峰间的谷底点的灰度值作为阈值 阈值的选择常分为人工选择法和自动阈值法 其中自动阈值法主要有迭代 式阈值选择和o t s u 法阂值选择 尽管人工选择法可以选出最令人满意的闽值 但大部分应用出于自动化的 要求需要自动选择出阈值 自动阈值法通常利用灰度直方图分析灰度值的分布 结合应用领域的知识来选取最合适的阈值 1 人工选择法 人工选择法通过人肉眼的观察 以人对图像的主观认识为评价标准 结合 对图像直方图的分析 人工选择出合适的阈值 根据分割效果 不断地进行试 探 最终选择出最佳的阈值 2 迭代式阈值选择 迭代式阈值选择的基本思想是 选择一个阈值作为初始值 然后按一定的 策略不断地修改这一估计值 直到满足给定的判定准则为止 选择阈值改进策 略是这一方法的关键所在 衡量一个好的阈值改进策略的通常标准是 一是可 以快速收敛 二是每一次迭代后 新阈值下的评判值优于上一次阈值下的评判 值 具体步骤可如下 1 选择灰度范围的中值为初始阈值t o 2 n 用阈值t 把分图像分割成两个区域r l 和r 2 以下式计算区域r l 和r 2 的 灰度均值 和心 3 计算出 4 和以后 nt 鼬t g 出新的阈 f l 耋t i 1 z j 1 从 乜 4 重复2 3 步 直至i z r l g g 为一指定值 7 2 3 2 4 2 5 以一吩 以一 一 巧d争 鲁 嘲 l n 知 网鄹 圈2 4 原始图像 幽2 5 迭代闰值 值化图像 3 o l s u 法闽值迸样 o t s u 法 是一种以类问方差最大化为目标的自动确定阈值的方法 川 其基 本思想是 若幽像像素数为n 灰度范围为 0 l 一1 对应灰度级l 的像素数为 n 概率为 n 导i 0 垃 l 1 2 6 b 1 使用阈值t 把图像中的像素分成两类c o 和c l c o 为灰度值在 0 t 间的像素 集合 c l 为扶度值在 t i l 1 n l j 的像素集合 整幅图像的均值记为 c o 和c l 的均值为 其中 则 类问方差定义为 蜥 驴 0 w 0 n n i w o t2 w o u o w l m 2 7 2 8 2 9 2 1 0 皿 出h芝 孪 值 西 w o 一u t 2 m u r 2 w w o u o 一 1 2 2 1 1 t e 0 l 1 范围内依次取值 使得 取得最大值的t 即为o t s u 法的最佳喇 冈飘 图2 6原始图像图2 7o t s u 方法二值化图像 4 最小误差阈值选择 最小误差闽值选择法通常以图像中的灰度作为模式特征 设各模式的灰度 为随机变量 独立同分布 设图像巾准各分割的模式服从某一概率分布 则可 得出满足最小误差分类准则的分割闽值 若图像中只有目标和背景两种模式 其先验概率分别为p o z 和a 均值分别为 和h 总错误概率为 图2 8 幽像n 标自l 背景的概率分布幽 e 7 e o r 1 一w o e 2 1 2 w 0 为目标像素点数占图像总像素点数百分比 l w 0 为背景像素点在总像素 点数的百分比 e o t 为目标像素点被错划为背景像索点的概率 e i r 为背景像 素点被错划为目标像素点的概率 最佳闽值使总错误概率取虽小值的闽值 则针对上式对t 求导后 使其为 零得 w o p o t 1 一w o a 丁 2 1 3 1 若p o z 和p l z 都服从正态分布 哪2 砰 仃2 若w o w l i 1 时 二 丁 丝 丝 2 1 4 2 用最小误差法自动选取阈值的前提在于首先要获得待分割的模式的概率分 布 而这一点恰恰是该算法的困难之处 2 1 4 图像平滑 图像在形成 传输 处理过程中 存在着内 外部干扰 导致图像质量下 降 图像模糊 特征难以提取 造成分析困难 平滑可以改善图像质量 有利 于抽取出对象特征 平滑 或滤波 分为空间域平滑 或滤波 和频率域平滑 或滤波 1 空间域滤波 常采用均值滤波或中值滤波 1 均值滤波 使用滤波模板确定邻域内像素的平均灰度值 代替图像中的每一个像素点 的值 该处理减少了图像灰度的锐度 2 中值滤波 中值滤波是一种非线性的滤波方法 设有一个一维序y u f i f 2 f 3 f n 从序列中抽取m 奇数 个数 f i m f i l f i f i i f i 十 f i 为窗口中心点值 v m 1 2 按下式计算出中值 y i m e d f i v f i i f i 昏i f i v i z v m 一1 2 2 1 5 二维中值滤波公式如下 y i m e d f i j 2 一1 6 中值滤波具有如下性质 非线性 对于序歹l j f r g r m e d f r g r r e e d f r m e d g r 2 17 对尖峰性干扰有较好的抗干扰作用 既可保持边缘的陡度 又可去掉干 扰 但对高斯分布噪声抗干扰能力差 对噪声延续距离小于w 2 的噪声具有良好的抑制作用 w 为窗口长度 l o 2 频率域滤波 频率域滤波又称为变换域滤波 输入函数f x y 表示原始图像 输出函数 g x y 表示经处理后的图像 输入函数和输出函数间的映射由为线性图像处理方 法 关系如下 g x 少 o f x 少 2 1 8 通常情况下 数字图像处理的计算方法都是线性的 依据线性系统理论 输出图像就是输入图像中各个元素的加权线性组合 线性系统的输入信号和输 出信号间的关系 时域中为卷积 频域中为乘积 传递函数 冲击响应 x t y t 卜 h t 邯 i y s x s 输入信号输出信号 图2 9输入输出信号的转换 时域关系 y f 办 f x l 二x p 办o r d r 营 s h s x j 2 1 9 空域中滤波运算主要有微分 积分 多项式运算 坐标变换等方法 优点 在于方法简单 直观 如果图像较大时 空域算法中难以找到高效的算法时 通常将图像引入变换域 使用诸如傅里叶 沃尔什算法等 进行高效 简洁的 处理 图像频域处理包括以下步骤 图像由空域变换到频域 检测 研究图像 频域特性 进行滤波 将频域中的处理结果经相应逆变换变换回空域 优点在 于速度快 滤波广度大 预测性好 2 0 1 f u v h u v g u v 些斟丽赢珥 玎弋i 1 小面磊碎磐夕 l 一l j l j 图2 1 0 空频变换过程 当h u v 为低通滤波器的传递函数时 经傅氏逆变换后得到去噪后的平滑 图像 当h u v 为高通滤波器的传递函数时 经傅氏逆变换后得到边缘增强的 图像 衰减图像信号的低频部分能相对增强高频部分 从而实现图像锐化 2 1 5 图像的形态处理学 数学形态学以图像的形态特征为研究对象 描述图像的基本特征和基本结 构 即描述图像中元素和元素间 部分和部分间的关系 通常采用邻域结构元 素的方法 在每个像素位置上邻域结构元素与二值图像对应的区域进行特定的 逻辑运算 结果为输出图像的相应像素 常见的基本运算有7 种 腐蚀 膨胀 开 闭运算 击中 细化 精化 运 用这些运算及组合可以进行图像形状和结构的分析及处理 可以完成图像分割 特征提取 边界检测 图像滤波 图像增强和恢复等工作 l 图像开运算 开运算是先腐蚀后膨胀的运算 使用开运算处理图像可以去除孤立的小点 毛刺 小桥 消除小物体 平滑较大物体的边界 且对物体面积的改变不明显 数学表达式如下 s x b x p b 0 b 2 2 0 s 表示开运算后的二值图像集合 b 表示用来进行开运算的结构元素 x 表 示原图像经过二值化后的像素集合 其含义为用b 来开启x 得到集合s s 是所有 在集合结构上不小于结构元素b 的部分的集合 也就是选出了x 中的某些与b 相 匹配的点 这些点可以通过完全包含在x 中的结构元素b 的平移来得到 00 o 0 0 o oo o o 0oo o0 o0 0 o o 0 01o o 01110 x 0 111o1ll1o b 0111ox 11o 2 1 0111 1o 01110 o1 1l11l11o 00 000 00 0000 00 0 0 0o 0 o o 0o o0 o 0 o00o oo oo o 0 0000000 0 0 x0b uuluooll00 o0 0o0o0 o 0o o0 o o o o 0 oo o 0 00 o 0oo00 0 0o0 o o0o00 o 0 1l1o 11 1 l0 x q b o b 7 0 111 011 1 10 0l11oll110 0 ooo 0o0oo o 2 2 1 2 2 2 2 图像闭运算 闭运算是先膨胀后腐蚀的过程 使用闭运算处理图像可以用来填充物体内 细小空洞 连接邻近物体 平滑其边界 同时不明显改变其面积 其数学表达 式如下 1 2 s x b xob 圆b 2 2 3 s 表示进行闭运算后的二值图像集合 b 表示用来进行闭运算的结构元素 x 表示原图像经过二值化后的像素集合 其含义是用b 来闭合x 得到的集合s 即图像x 与经过映射和平移的结构元素b 的交集不为空的点的集合 o 0 00 o1 x o1 o1 00 o o o0 x 圆b 0 1 o1 01 o 0 00 11 11 x b 肚11 11 1l 3 图像细化 0oo 0 o o 0o0 o ol 110111 11oll1 11l1l1 0 o 0 0 oo oo00o 0 00o0 01 111ll1 1l1111 ll1111 oo0 o 0 o oo 0 o11 111111 1 1l 11 1 11l111 111111 111l11 o 0 b 0 0 o o o 11 11 11 o0 0 o l0 1o 1o 0 0 2 2 4 2 2 5 图像分析中 如果运用结构元不仅只对图像的内部或外部进行探测 而且 同时对图像的内部和外部进行探测 对于研究图像中目标物体与背景间的关系 常常会收到很好的效果 一个物体的结构通常可由物体内部的各种成分间的关 系来确定 为了研究物体的结构 可以利用各种成分 如各种结构元素 作为 探针对其进行检验 以探知图像内包含的成分和图像外包含的成分 从而确定 图像的结构 通常采用击中击不中变换来提取图像中的相交结构信息 击中击不中变换 2 l 在一次运算中同时要捕获内外标记 这种变换需要两个 结构基元c 和d 令结构元素对b c d 元素c 用于探测图像的内部 元素d 用 于探测图像的外部 且cnd 矽 彳个b 彳 c n 彳cp d 2 2 6 击中击不中运算作为比较严格的模板匹配 不仅指出被匹配点所满足的性 质 而且也指出这些点所不应满足的性质 即a 个b 的集合中的元素应同时满足 0 o o o o o 0 o o o o o o 1 1 l l 1 o o l 1 1 o 0 0 1 1 l 0 1 1 1 l 1 1 如下两个条件 c 在a 中找到一个匹配 击中 d 在a 的补集中找到一个匹配 击不中 a 个b 的集合也可描述为 当且仅当c 平移到某一点 可填入a 的内部 且d 平移至该点 可填入到a 的外部时 该点才会出现在击中击不中变换的输出集合中 图像细化实际上是求图像骨架 骨架作为图像中央的骨骼部分 描述了图 像几何及拓扑性质 细化可以既提取出图像骨架又保持细节的连通性 其数学 表达式为 s x x 飞b 2 2 7 描述了b 细化x s 是x 除去击中击不中变换输出集后的集合 s 为细化后的 输出集合 b 为细化运算结构元素 存在一个中心点 x 为待细化二值图像 2 1 6 图像分割 图像分割主要用来把图像中所关注的区域与不被关注的区域区分开来 一 种好的分割方法将有利于目标物的特征提取和描述 和对目标物识别 分类和 图像理解 图像分割的数学定义为 集合r 代表整个图像区域 对r 的分割可看作将r 分成n 个满足以下五个条件的非空子集r l r 2 r n n 1 ur f r 完备性 f l 2 f 句 有毋n r 独立性 3 对i l 2 n 有p r i t r u e 单一性 4 对f 句 有p r iur f a l s e 互斥性 5 对i l 2 n r f 是连通的区域 连通性 r i 称为r 的分割 图像分割是将图像中的象素按照指定的特性进行分类的过程 图像分割方法通常有以下几种 1 灰度级阈值的分割 2 边缘检测的分割 1 4 3 基于区域的分割 4 区域聚合 2 2 车辆检测的基本方法 2 2 1 车辆检测算法的分类 通常车辆检测采用检测和检测加跟踪两种方式 检测主要用来判断图像视 频序列中是否有车辆存在 同时获取目标车辆的尺寸 位置等相关信息 由于 本车和前 后车处于运动状态 车辆在本车摄像头上的成像色彩 大小 位置 等信息处于不断的变化之中 通常来说 检测要对整个图像进行遍历检索 由 于车辆大小 搜索的尺度空间不断变化 因此通常的检测算法都存在时间复杂 度比较高的弱点 跟踪算法可以根据一些时空的约束条件 把搜索空间限制在 较小的范围内 加之可以利用检测到的知识 所以跟踪算法易于实现实时性 车辆检测算法可以分为以下两类 1 只含检测的算法 如果检测算法可以满足实时性 则可以不对后继帧采用跟踪的方法 只需 对每一帧进行检测 通常 检测并不对拍摄到的整幅图像进行检测 而是通过 建立感兴趣区域a o i a r e ao fi n t e r e s t 的方法 首先缩小检测范围 即只在a o i 区域进行检测 来提高检测的效率 a o i 的提取通常依赖于先验知识 比如通 常车辆出现在摄像机的前方或后方车道内 车辆的外部轮廓一般为矩形 车辆 具有底部阴影 如果我们只对确定位置的车辆进行检测 则可以仅仅针对预先 划定的检测区或检测线进行检测 从而提高检测的效率 降低检测的复杂度 2 检测后再跟踪 此方法主要在检测算法无法满足实时性的情况下使用 首先运用检测算法 检测到目标 再把获得的信息如缩小后的检测区域 或前趋帧提供的其他信息 提供给跟踪模块 由跟踪模块进行跟踪 这种方法由于利用了检测模块所提供 的信息或跟踪模块提供的前一帧信息 所以可以进一步缩小检测时的检测范围 这种方法的好处在于实时性好 但是当目标变化幅度较大时 比如车辆快速提 速或刹车 当车辆进出隧道导致的光线剧烈变化时 将丢失跟踪目标 无法达 到跟踪的目的 2 2 2 检测方法分析 1 基于特征的检测方法 又称为基于知识的方法 结构化公路上的前车在灰度图像中呈现出一些比 较显著的特征 形状特征 通常为具有一定比例的矩形 边界特征 左右 两边的垂直边 后车窗 保险杠 车牌和底部水平方向阴影都具有明显的水平 或垂直边界 灰度特征 通常车辆底部的阴影区域的灰度值相对比较小 对称性特征 车辆不仅灰度具有对称性 而且水平 垂直边缘也具有对称性 位置特征 车辆通常在车道内 依据对称性 22 阴影 边缘等特征可以对车辆进行检测 在白天日光照射 较强的情况下 车辆底部阴影区域的亮度值明显不同于图象中车道上的亮度值 而利用阴影作为特征只能够提供车辆出现的大概位置 还需利用车辆边缘的特 征才能较好地提取出车辆 由于边缘特征要明显于阴影和对称性特征 所以一 般只采用阴影和对称性作为辅助性特征 通常是把阴影 对称性和边缘特征信 息结合使用 以取得较好的检测效果 2 3 1 2 基于光流场的检测方法 光流是由于空间运动物体被观测面上的像素点运动而产生的瞬时速度场 记录了物体3 d 表面结构和运动的信息 通常情况下 光流由于摄像机运